基于贝叶斯网络刻画风–光–荷相关性的配电网概率潮流计算

被引:53
作者
王洪涛 [1 ]
李晓刚 [2 ]
邹斌 [1 ]
机构
[1] 上海大学机电与自动化学院
[2] 国家电网公司华东分部
关键词
贝叶斯网络; 数据挖掘; 非线性相关性; 概率潮流;
D O I
暂无
中图分类号
TM744 [电力系统的计算];
学科分类号
080802 [电力系统及其自动化];
摘要
针对风速、光照强度和负荷之间相关性不易描述的难题,基于大数据思维,提出基于数据挖掘的贝叶斯网络模型,准确、全面、完整地刻画风–光–荷之间非线性相关性,以此为基础完成概率潮流计算。首先,分析贝叶斯网络的基本原理,给出建立贝叶斯网络模型的方法和步骤;然后,以实测风速、光照强度和典型负荷数据为原始样本,通过贝叶斯网络获得合成样本,再分别考察原始样本与合成样本的数字特征、概率密度、累积分布和散点图,验证模型的有效性;最后以改造后的IEEE33节点配电网为例,完成概率潮流计算,计算结果验证了贝叶斯网络模型的有效性。
引用
收藏
页码:4753 / 4763+4977 +4977
页数:12
相关论文
共 6 条
[1]
计及相关性的含下垂控制型及间歇性电源的孤岛微电网电压稳定概率评估 [J].
潘忠美 ;
刘健 ;
侯彤晖 .
中国电机工程学报, 2018, 38 (04) :1065-1074+1283
[2]
主动配电网中计及时序性与相关性的分布式光伏并网规划 [J].
贾清泉 ;
赵美超 ;
孙玲玲 ;
杜广玉 ;
范君 ;
孙海东 .
中国电机工程学报, 2018, 38 (06) :1719-1728+1908
[3]
考虑风-光-荷联合时序场景的分布式电源接入容量规划策略 [J].
陈碧云 ;
闭晚霞 ;
李欣桐 ;
李翠珍 ;
周恒旺 .
电网技术, 2018, 42 (03) :755-761
[4]
贝叶斯网络结构学习分析 [J].
王双成 ;
林士敏 ;
陆玉昌 .
计算机科学, 2000, (10) :77-79
[5]
LEARNING BAYESIAN NETWORKS - THE COMBINATION OF KNOWLEDGE AND STATISTICAL-DATA [J].
HECKERMAN, D ;
GEIGER, D ;
CHICKERING, DM .
MACHINE LEARNING, 1995, 20 (03) :197-243
[6]
A BAYESIAN METHOD FOR THE INDUCTION OF PROBABILISTIC NETWORKS FROM DATA [J].
COOPER, GF ;
HERSKOVITS, E .
MACHINE LEARNING, 1992, 9 (04) :309-347